吴说获悉，去中心化 AI Agent 评测与竞赛平台 Recall 宣布其基金会将逐步停止运营，原因是协议采用情况、运营成本及增长预期不足以支撑继续开发，并非遭遇黑客攻击或安全事件。基金会计划销毁其控制的约 3.586 亿枚 RECALL，占代币总供应量的 35.86%，预计于 2027 年第一季度完成。后续将停止协议开发、流动性支持、新竞赛及质押奖励，持币者不会获得代币回购、赎回或资产分配。基金会目前持有约 370 万美元稳定币及法币资产，将用于偿还债务、支付清算费用及预留或有负债准备金。已质押 RECALL 不在销毁范围内，新发起的解质押请求免除 30 天冷却期，但原有锁定期不变。官方应用将于 11 月 30 日转为只读模式，此后用户仍可通过链上合约提取代币。此次终止运营不涉及独立公司 Recall Labs。

#音频已删请放心观看# ChatGPT 实现微软在 Windows 11 中重点推荐的 Recall 回顾功能，ChatGPT for Mac 推出名为计算机历史的新功能。 该功能会记录用户的点击、输入、应用程序打开 / 切换等，信标事件会被记录并上传服务器生成 AI 时间线和记忆。 用户可以使用该功能快速回溯内容，例如生成当日工作总结、查找最近打开的文档、将重复工作转换为技能或自动化流程等。 查看全文：

【如何用AI快速学会任何技能】亲测有效！ 大部分人的AI学习是一上来就给个计划，执行不下去，也少有成就感，用上这套方法，正反馈，当天就可以获得！ 原理:AI做“苏格拉底式导师 + 个性化课程设计师 + 练习教练”，不做答案机器。 真正高效的学习依赖主动回忆（Active Recall）、费曼技巧（用自己的话解释）、间隔重复和实际应用，AI能大幅加速这些环节。 完整高效工作流 1. 明确目标与起点（5-10分钟）
先告诉AI你的具体目标（例如“粤语日常交流”“能给别人讲清楚原理”）、现有背景和时间预算。 2. 建立知识地图（最关键的第一步）
让AI画出领域骨架： 核心心智模型（专家怎么思考这个领域） 关键概念及依赖关系（先学什么后学什么） 常见误解、专家争议点 入门后能解决的实际问题 这一步帮你抓住20%核心，集中学完，已经入门。 3. 深度理解 + 费曼技巧
用类比、多层级解释（给10岁孩子讲、给大学生讲、给专家讲）建立直觉。 然后自己用简单语言“教”AI，让它指出漏洞、追问机制、指出模糊之处。 这是最强的理解加速器。内化为自己的。 4. 主动测试与练习
让AI出题（先不给答案）、生成练习项目、案例。 做完后再让它给反馈。 测试比反复阅读有效得多。 5. 应用与输出
设计小项目或真实场景任务，用学到的知识去解决。做真实案例。 AI当严格教练给反馈。 6. 记忆巩固
生成闪卡、安排间隔重复复习（第1、3、7、14天再测）。 重要概念可导出到Anki等工具。 7. 验证与补强（尤其重要信息）
AI可能幻觉。 关键事实交叉验证（用多个模型、官方文档、权威来源）。 配合NotebookLM（上传经典书籍/论文/课程笔记。 一套下来，入门——熟练——精通，不是不可能。 任何一个目标都可以被分解和量化。 你甚至不需要20小时，这本书已经是AI史前时代的遗留了。 GPT的3.0时刻，未来会被称作AI元年吗？

特斯拉 Optimus 最新进展，Fremont 工厂原 S/X 产线改造后，产量从二季度的周产几十台，冲到 8 月的每周数百台（翻了约 10 倍）。年底目标冲刺周产 1000+，远期口号是 2 万台（特斯拉官方未证实）。周1000台跟中国供应链传出的消息一致，年底周目标是周2000台。 目前下线的是 V3 试点版而非最终商业版，绝大部分留在内部测试。商业化模式类似早期 FSD，先内部用、再出租给仓库/工厂，靠部署数据反哺软件。真正对外推出预计要等到 2027 年中至年底。出租而不卖帮助特斯拉在落地前期省去了很多产品recall，修复维保（直接替换即可）以及一些产品不成熟可能造成的法律纠纷。 目前的几个卡点依然很突出，手部和前臂 100 多个零件仍依赖手工装配；产线拉快后夹具对不齐，返修率剧增；触觉传感器极不稳定，现改做可更换的“传感手套”。 不少供应商（含中国供应商）样品达标，但到了工业化批量供货，一致性和质量跟不上。所以这次江浙沪审厂就很make sense了，特斯拉一贯有帮助供应商优化改善制造流程和工艺的传统。就像Terafab是跟三星一起项目攻关一样。 AI 泛化与数据采集阻力，对陌生场景适应差，学个基础任务要耗时几天。工厂工人因抵制“教机器人抢自己饭碗”，特斯拉只能改为雇专职采集员并在多地建数据采集点。你想你是产新工人，让你带着摄像头和数据采集设备干活知道未来训练好了大概率你就失业了，你会咋想？😂 人形机器人的制造逻辑与汽车截然不同，它不仅是汽车级的供应链整合，更是微型精密机械与具身 AI 的极限考验。Optimus 硬件放量虽然神速，但“手部复杂装配”和“泛化算法瓶颈”这俩硬骨头一天不啃下来，机器人就一天无法走出特斯拉的自家车间去创造商业价值。这也再次印证了：具身智能从来不是单纯的硬件工程，它是一场供应链、制造精度与 AI 算法深度咬合的长跑。

国内部分Ai应用股还是依靠Ai模型降价盈利（这是一家的叙事；当然本人还并不看好）： AI短剧+AI硬件+AI音乐+算力芯片 行业原因： 1、当地时间7月30日，OpenAI下调GPT-5.6部分模型价格，其中，GPT-5.6 Luna模型价格下调80%，GPT-5.6 Terra模型价格下调20%。 2、据国元国际7月22日研报，国内AI商业化进程加速，月之暗面发布2.8万亿参数开源模型Kimi K3，7月15日网信办发布7款手机端侧生成式AI服务备案信息，应用端价值有望重估。 公司原因： 1、据2026年5月6日投资者关系活动记录表，公司短剧和AI短剧平台截至2026年3月底单月流水超4800万美元，ARR超5.7亿美元，预计2026年全年收入保持高速增长。 2、据集团7月31日官微，Skywork Note正式上线七天，首批海外库存全部售罄。Skywork智能AI挂件Recall与AI戒指TriRing将于近期陆续上线。 3、据2026年7月28日互动易，公司围绕人工智能全产业链布局，以视频模型、音乐音频模型等四大SOTA级人工智能模型为技术底座，支撑AI短剧、AI音乐、AI游戏三大AI Native平台经济体。 4、据2026年7月28日互动易，公司旗下艾捷科芯AI算力芯片业务进展顺利；据2026年5月11日业绩说明会，2026年4月艾捷科芯完成新一轮增资扩股，融资总规模达5.5亿元，投后估值突破40亿元。

微软最怕的 GitHub 项目，54K stars，只干一件事 把 Windows 11 变回一台正常的电脑 开始菜单搜本地文件，跳出来 Bing 网页 右键菜单藏在一层"显示更多选项"后面 任务栏塞满小组件、Copilot、搜索框，关都关不掉 OneDrive 开机弹窗提醒你备份，比闹钟准时 这个脚本一条命令干翻全部： & ([scriptblock]::Create((irm ""))) ▸ 批量卸载预装应用和推广软件 ▸ 关闭遥测、广告ID、诊断数据回传 ▸ 移除 Copilot、Recall、Click to Do ▸ 禁用 Bing 搜索结果和 Edge AI ▸ 恢复 Windows 10 经典右键菜单 ▸ 一键开启 Sandbox 和 WSL MIT 开源，免费用，所有操作可回滚 微软花了十年把 Windows 塞成广告牌 这脚本一条命令把它变回操作系统

Hermes官方认可的外置大脑（负责记忆的），POLO不允许你们还不知道。 每天跟 Hermes 跑长任务的人最需要这个。你调过的参数、让它分析过的文件、当时你坚持的输出格式，下次重开一个新对话，这些东西不用再重复一遍。开箱即用，配一行 API 就能挂上。 它能把 Hermes 的对话记忆、用户偏好、引用过的资源、做过的 skill 全部塞到一个文件系统里。 设计上解决 RAG 五个老毛病：上下文碎片化、长期任务 token 爆仓、扁平检索召回差、检索过程不可调试、memory 只会堆聊天记录不会迭代。 和 Hermes 集成是 first-class，不用装插件。Hermes 官方文档明说 "viking_remember、viking_recall" 这些工具会自动可用。配完 `hermes memory setup` 选 openviking 就行。官方给的实测数据是把 Claude Code、Hermes、OpenClaw 拉到 80%+ 任务完成率，输入 token 砍 63%。

1/ 翻到一个刚开源的 agent 项目 Zleap-Agent，专为本地小模型设计，思路挺有意思。 出发点：本地小模型笨、上下文又小。你要是像用 cc、codex 那样，把系统提示词、工具、记忆、十几轮历史再加个长文档全丢给它，模型基本就被干烧了。。。 2/ 所以他们的想法是：大模型在做的稀疏注意力、长上下文压缩，本质就是别让模型每一步都看所有东西。那这套思路，干脆挪到 harness 层来做，更直接。 3/ 设计有点像电脑桌面。agent 一进去是个主空间，但这个空间纯调度，不配任何工具，只有四个控制能力 dispatch、recall、deliver、task_detail，唯一能干的就是“进到别的 workspace”。 (顺便，workspace 不是子 agent。子 agent 用完即弃，workspace 是常驻的，有记忆有上下文，相当于把我们手写进 md 文件的那部分固化在这儿。) 4/ 跟 Claude Code 最大的区别是做减法的时机。CC 默认模型够强，厚上下文、复杂工具链全给它，装不下了再用 compaction 事后压。Zleap 是事前做减法，东西没进模型就按 workspace 切干净了，对模型能力的要求天生就低。 5/ 想搓本地 agent 的可以试试 Mac 跑本地 7B、14B，套上这层 harness，很多活就能跑起来，也不用什么都丢给云端按 token 付费。 企业多人共享我感觉用处更大：不同部门进不同 workspace，权限、记忆隔离、操作可审计（共用一个 Agent，但不共享同一坨上下文）。 6/ 它最值钱的点，是把工具和上下文做了隔离、提出 workspace 这个概念。这套反过来也能用到 cc 那类 harness 上。之前本地模型 + agent 几乎跑不起来，这算补上了一块空白。还是 preview，但思路我挺喜欢🫡

👥 腾讯开源的 teamai-cli，能让一整个团队的 AI 编程配置只维护一份，谁的 Claude Code、Cursor、Codex 都同步到同一套技能和规则上。 GitHub 上 2.7K star，覆盖面挺狠：agent 侧认 Claude Code、Codex、Cursor、CodeBuddy、WorkBuddy、OpenCode 等十来个，Git 侧认 GitHub、GitLab、GitCode、CNB、TGit 和私有 Git 服务。 团队里用 AI 写代码久了都会遇到同一个尴尬：每个人的 CLAUDE.md 各写各的，某个同事调了一星期才调顺的 prompt 只躺在他自己电脑上，新人入职全靠口头交代，MCP 配置更是人人一份还互相不一样。 teamai-cli 的思路是把这些东西当代码管。团队开一个共享的 git 仓库，技能、规则、文档、hooks、MCP、环境变量全放进去，成员拉一次就同步下来，自己攒了好用的再推回去。还在测试阶段的两块也有意思：一块会在你跟 agent 反复磨了半天之后提醒你把这次经验沉淀出来，另一块用 tree-sitter 给代码库建知识图谱，之后 agent 能直接 recall 团队攒下来的东西。 后面这两块官方标的是测试阶段，先当尝鲜功能用。 一个人调好的 prompt，不该只留在一个人的电脑里。 GitHub：

冷知识，RAG 技术的演进路径 ① 2020 — 基础 RAG（解决"知识不在模型里"） 起点是 Lewis 等人的 RAG：DPR 稠密检索 + 向量相似度 + 生成。它第一次让 LLM 能"外接知识库"，缓解幻觉和时效性问题。但这代是"无脑检索"——先把所有文本切成 chunk 做向量索引，查询时取 top-k 就完事。痛点：chunk 彼此孤立、检索粗糙、对复杂问题无力。这正是所有分支要解决的问题。 ② 2022–2023 — 检索精度升级（更准） ColBERTv2：把"单向量"改成 token 级多向量 + MaxSim 延迟交互，匹配更细；残差压缩把存储降 6–10 倍。检索器本身从"粗"变"准"。 Modular RAG：意识到 RAG 不该是固定管道，而是一堆可编排模块（检索/重排/生成），像乐高一样组合。架构开始"模块化"。 ③ 2023–2024 — 反思纠偏 + 结构增强（更准、更懂关系） Self-RAG / CRAG：给系统装"质检员"——Self-RAG 用反思 token 自己决定要不要检索、内容对不对；CRAG 用轻量评估器三路径纠正（正确用/错误重写或联网/模糊混合）。解决了"检索到垃圾也不知道"的问题。 RAPTOR：用递归摘要树组织文档，适合全局性、多跳、总结类问题。 GraphRAG / LightRAG / HippoRAG2：把文本抽成实体–关系知识图谱，用图谱做多跳推理（Microsoft GraphRAG 用 Leiden 社区摘要；HippoRAG 用个性化 PageRank）。这是"结构化知识"路线，但全量图谱构建很贵。 ④ 2024–2025 — 路由与成本优化（更省） Adaptive RAG：按查询复杂度动态路由——简单问题直接 LLM 答、复杂问题才走多步检索。 LazyGraphRAG：把社区摘要延迟到查询时才算，索引成本降到 GraphRAG 的 0.1%。 长上下文路由：2M token 窗口出现后，结论是"不替代 RAG，而是分工"——简单查走 RAG（几分钱），复杂多跳走长上下文，视觉文档走 ColPali。GraphRAG-Bench（ICLR 2026）给出经验法则：图的价值随查询复杂度上升。 ⑤ 2025–2026 — 自主智能体 + 强化学习（更自主） Agentic RAG：让 AI agent 动态决定"用什么工具（向量库/网页/API/SQL）、查几轮、怎么合成"。 Search-R1 / DeepRetrieval / DeepResearcher / MCTS-RAG：用 RL 端到端训练 LLM 学会"何时搜、搜什么"。Search-R1 在 Qwen2.5-7B 上比普通 RAG 提升 41%；DeepRetrieval 直接以检索指标（recall@k、NDCG）为奖励优化查询；MCTS-RAG 把蒙特卡洛树搜索融进推理。这是从"固定流程"走向"会自己找信息的智能体"。